{
  "best_metric": null,
  "best_model_checkpoint": null,
  "epoch": 0.08333333333333333,
  "eval_steps": 500,
  "global_step": 5000,
  "is_hyper_param_search": false,
  "is_local_process_zero": true,
  "is_world_process_zero": true,
  "log_history": [
    {
      "epoch": 0.0008333333333333334,
      "grad_norm": 4.46875,
      "learning_rate": 0.00019800000000000002,
      "loss": 0.8788,
      "step": 50
    },
    {
      "epoch": 0.0016666666666666668,
      "grad_norm": 21.625,
      "learning_rate": 0.000196,
      "loss": 0.7104,
      "step": 100
    },
    {
      "epoch": 0.0025,
      "grad_norm": 1.390625,
      "learning_rate": 0.000194,
      "loss": 0.6421,
      "step": 150
    },
    {
      "epoch": 0.0033333333333333335,
      "grad_norm": 2.5,
      "learning_rate": 0.000192,
      "loss": 0.5687,
      "step": 200
    },
    {
      "epoch": 0.004166666666666667,
      "grad_norm": 3.1875,
      "learning_rate": 0.00019,
      "loss": 0.5132,
      "step": 250
    },
    {
      "epoch": 0.005,
      "grad_norm": 19.125,
      "learning_rate": 0.000188,
      "loss": 0.5614,
      "step": 300
    },
    {
      "epoch": 0.005833333333333334,
      "grad_norm": 6.65625,
      "learning_rate": 0.00018600000000000002,
      "loss": 0.5598,
      "step": 350
    },
    {
      "epoch": 0.006666666666666667,
      "grad_norm": 7.15625,
      "learning_rate": 0.00018400000000000003,
      "loss": 0.6056,
      "step": 400
    },
    {
      "epoch": 0.0075,
      "grad_norm": 1.125,
      "learning_rate": 0.000182,
      "loss": 0.5301,
      "step": 450
    },
    {
      "epoch": 0.008333333333333333,
      "grad_norm": 5.15625,
      "learning_rate": 0.00018,
      "loss": 0.4869,
      "step": 500
    },
    {
      "epoch": 0.009166666666666667,
      "grad_norm": 94.5,
      "learning_rate": 0.00017800000000000002,
      "loss": 0.6162,
      "step": 550
    },
    {
      "epoch": 0.01,
      "grad_norm": 0.86328125,
      "learning_rate": 0.00017600000000000002,
      "loss": 0.4983,
      "step": 600
    },
    {
      "epoch": 0.010833333333333334,
      "grad_norm": 10.125,
      "learning_rate": 0.000174,
      "loss": 0.4497,
      "step": 650
    },
    {
      "epoch": 0.011666666666666667,
      "grad_norm": 6.28125,
      "learning_rate": 0.000172,
      "loss": 0.4427,
      "step": 700
    },
    {
      "epoch": 0.0125,
      "grad_norm": 4.1875,
      "learning_rate": 0.00017,
      "loss": 0.2543,
      "step": 750
    },
    {
      "epoch": 0.013333333333333334,
      "grad_norm": 0.177734375,
      "learning_rate": 0.000168,
      "loss": 0.3016,
      "step": 800
    },
    {
      "epoch": 0.014166666666666666,
      "grad_norm": 19.125,
      "learning_rate": 0.000166,
      "loss": 0.2786,
      "step": 850
    },
    {
      "epoch": 0.015,
      "grad_norm": 5.03125,
      "learning_rate": 0.000164,
      "loss": 0.358,
      "step": 900
    },
    {
      "epoch": 0.015833333333333335,
      "grad_norm": 0.033447265625,
      "learning_rate": 0.000162,
      "loss": 0.255,
      "step": 950
    },
    {
      "epoch": 0.016666666666666666,
      "grad_norm": 16.5,
      "learning_rate": 0.00016,
      "loss": 0.2489,
      "step": 1000
    },
    {
      "epoch": 0.0175,
      "grad_norm": 0.10205078125,
      "learning_rate": 0.00015800000000000002,
      "loss": 0.1524,
      "step": 1050
    },
    {
      "epoch": 0.018333333333333333,
      "grad_norm": 0.91015625,
      "learning_rate": 0.00015600000000000002,
      "loss": 0.4738,
      "step": 1100
    },
    {
      "epoch": 0.019166666666666665,
      "grad_norm": 0.0196533203125,
      "learning_rate": 0.000154,
      "loss": 0.3041,
      "step": 1150
    },
    {
      "epoch": 0.02,
      "grad_norm": 0.404296875,
      "learning_rate": 0.000152,
      "loss": 0.3836,
      "step": 1200
    },
    {
      "epoch": 0.020833333333333332,
      "grad_norm": 0.01422119140625,
      "learning_rate": 0.00015000000000000001,
      "loss": 0.1762,
      "step": 1250
    },
    {
      "epoch": 0.021666666666666667,
      "grad_norm": 0.0252685546875,
      "learning_rate": 0.000148,
      "loss": 0.1533,
      "step": 1300
    },
    {
      "epoch": 0.0225,
      "grad_norm": 0.050537109375,
      "learning_rate": 0.000146,
      "loss": 0.1912,
      "step": 1350
    },
    {
      "epoch": 0.023333333333333334,
      "grad_norm": 21.375,
      "learning_rate": 0.000144,
      "loss": 0.3607,
      "step": 1400
    },
    {
      "epoch": 0.024166666666666666,
      "grad_norm": 5.1875,
      "learning_rate": 0.000142,
      "loss": 0.2371,
      "step": 1450
    },
    {
      "epoch": 0.025,
      "grad_norm": 22.625,
      "learning_rate": 0.00014,
      "loss": 0.3331,
      "step": 1500
    },
    {
      "epoch": 0.025833333333333333,
      "grad_norm": 5.3125,
      "learning_rate": 0.000138,
      "loss": 0.2239,
      "step": 1550
    },
    {
      "epoch": 0.02666666666666667,
      "grad_norm": 0.053955078125,
      "learning_rate": 0.00013600000000000003,
      "loss": 0.307,
      "step": 1600
    },
    {
      "epoch": 0.0275,
      "grad_norm": 6.5625,
      "learning_rate": 0.000134,
      "loss": 0.1311,
      "step": 1650
    },
    {
      "epoch": 0.028333333333333332,
      "grad_norm": 6.90625,
      "learning_rate": 0.000132,
      "loss": 0.2112,
      "step": 1700
    },
    {
      "epoch": 0.029166666666666667,
      "grad_norm": 0.0732421875,
      "learning_rate": 0.00013000000000000002,
      "loss": 0.0884,
      "step": 1750
    },
    {
      "epoch": 0.03,
      "grad_norm": 0.048828125,
      "learning_rate": 0.00012800000000000002,
      "loss": 0.1312,
      "step": 1800
    },
    {
      "epoch": 0.030833333333333334,
      "grad_norm": 0.05859375,
      "learning_rate": 0.000126,
      "loss": 0.1764,
      "step": 1850
    },
    {
      "epoch": 0.03166666666666667,
      "grad_norm": 0.02587890625,
      "learning_rate": 0.000124,
      "loss": 0.0805,
      "step": 1900
    },
    {
      "epoch": 0.0325,
      "grad_norm": 0.051025390625,
      "learning_rate": 0.000122,
      "loss": 0.2953,
      "step": 1950
    },
    {
      "epoch": 0.03333333333333333,
      "grad_norm": 18.75,
      "learning_rate": 0.00012,
      "loss": 0.1958,
      "step": 2000
    },
    {
      "epoch": 0.034166666666666665,
      "grad_norm": 0.11572265625,
      "learning_rate": 0.000118,
      "loss": 0.2174,
      "step": 2050
    },
    {
      "epoch": 0.035,
      "grad_norm": 0.2158203125,
      "learning_rate": 0.000116,
      "loss": 0.1626,
      "step": 2100
    },
    {
      "epoch": 0.035833333333333335,
      "grad_norm": 0.16015625,
      "learning_rate": 0.00011399999999999999,
      "loss": 0.1907,
      "step": 2150
    },
    {
      "epoch": 0.03666666666666667,
      "grad_norm": 0.10302734375,
      "learning_rate": 0.00011200000000000001,
      "loss": 0.1137,
      "step": 2200
    },
    {
      "epoch": 0.0375,
      "grad_norm": 0.03759765625,
      "learning_rate": 0.00011000000000000002,
      "loss": 0.2151,
      "step": 2250
    },
    {
      "epoch": 0.03833333333333333,
      "grad_norm": 11.125,
      "learning_rate": 0.00010800000000000001,
      "loss": 0.1503,
      "step": 2300
    },
    {
      "epoch": 0.03916666666666667,
      "grad_norm": 0.1904296875,
      "learning_rate": 0.00010600000000000002,
      "loss": 0.173,
      "step": 2350
    },
    {
      "epoch": 0.04,
      "grad_norm": 14.625,
      "learning_rate": 0.00010400000000000001,
      "loss": 0.0301,
      "step": 2400
    },
    {
      "epoch": 0.04083333333333333,
      "grad_norm": 0.06982421875,
      "learning_rate": 0.00010200000000000001,
      "loss": 0.2106,
      "step": 2450
    },
    {
      "epoch": 0.041666666666666664,
      "grad_norm": 0.1171875,
      "learning_rate": 0.0001,
      "loss": 0.0734,
      "step": 2500
    },
    {
      "epoch": 0.0425,
      "grad_norm": 0.36328125,
      "learning_rate": 9.8e-05,
      "loss": 0.0339,
      "step": 2550
    },
    {
      "epoch": 0.043333333333333335,
      "grad_norm": 0.01446533203125,
      "learning_rate": 9.6e-05,
      "loss": 0.2176,
      "step": 2600
    },
    {
      "epoch": 0.04416666666666667,
      "grad_norm": 0.06689453125,
      "learning_rate": 9.4e-05,
      "loss": 0.2095,
      "step": 2650
    },
    {
      "epoch": 0.045,
      "grad_norm": 0.0732421875,
      "learning_rate": 9.200000000000001e-05,
      "loss": 0.0841,
      "step": 2700
    },
    {
      "epoch": 0.04583333333333333,
      "grad_norm": 0.056396484375,
      "learning_rate": 9e-05,
      "loss": 0.0872,
      "step": 2750
    },
    {
      "epoch": 0.04666666666666667,
      "grad_norm": 0.036376953125,
      "learning_rate": 8.800000000000001e-05,
      "loss": 0.1826,
      "step": 2800
    },
    {
      "epoch": 0.0475,
      "grad_norm": 0.0269775390625,
      "learning_rate": 8.6e-05,
      "loss": 0.1573,
      "step": 2850
    },
    {
      "epoch": 0.04833333333333333,
      "grad_norm": 45.0,
      "learning_rate": 8.4e-05,
      "loss": 0.2212,
      "step": 2900
    },
    {
      "epoch": 0.049166666666666664,
      "grad_norm": 1.1640625,
      "learning_rate": 8.2e-05,
      "loss": 0.0487,
      "step": 2950
    },
    {
      "epoch": 0.05,
      "grad_norm": 0.0869140625,
      "learning_rate": 8e-05,
      "loss": 0.1939,
      "step": 3000
    },
    {
      "epoch": 0.050833333333333335,
      "grad_norm": 0.07666015625,
      "learning_rate": 7.800000000000001e-05,
      "loss": 0.2261,
      "step": 3050
    },
    {
      "epoch": 0.051666666666666666,
      "grad_norm": 0.053955078125,
      "learning_rate": 7.6e-05,
      "loss": 0.2509,
      "step": 3100
    },
    {
      "epoch": 0.0525,
      "grad_norm": 22.5,
      "learning_rate": 7.4e-05,
      "loss": 0.29,
      "step": 3150
    },
    {
      "epoch": 0.05333333333333334,
      "grad_norm": 0.431640625,
      "learning_rate": 7.2e-05,
      "loss": 0.1524,
      "step": 3200
    },
    {
      "epoch": 0.05416666666666667,
      "grad_norm": 0.07568359375,
      "learning_rate": 7e-05,
      "loss": 0.2543,
      "step": 3250
    },
    {
      "epoch": 0.055,
      "grad_norm": 0.09130859375,
      "learning_rate": 6.800000000000001e-05,
      "loss": 0.2528,
      "step": 3300
    },
    {
      "epoch": 0.05583333333333333,
      "grad_norm": 0.1962890625,
      "learning_rate": 6.6e-05,
      "loss": 0.1676,
      "step": 3350
    },
    {
      "epoch": 0.056666666666666664,
      "grad_norm": 0.10791015625,
      "learning_rate": 6.400000000000001e-05,
      "loss": 0.0954,
      "step": 3400
    },
    {
      "epoch": 0.0575,
      "grad_norm": 3.609375,
      "learning_rate": 6.2e-05,
      "loss": 0.0918,
      "step": 3450
    },
    {
      "epoch": 0.058333333333333334,
      "grad_norm": 0.154296875,
      "learning_rate": 6e-05,
      "loss": 0.2391,
      "step": 3500
    },
    {
      "epoch": 0.059166666666666666,
      "grad_norm": 0.042724609375,
      "learning_rate": 5.8e-05,
      "loss": 0.2063,
      "step": 3550
    },
    {
      "epoch": 0.06,
      "grad_norm": 0.047119140625,
      "learning_rate": 5.6000000000000006e-05,
      "loss": 0.2136,
      "step": 3600
    },
    {
      "epoch": 0.060833333333333336,
      "grad_norm": 102.0,
      "learning_rate": 5.4000000000000005e-05,
      "loss": 0.1788,
      "step": 3650
    },
    {
      "epoch": 0.06166666666666667,
      "grad_norm": 0.055908203125,
      "learning_rate": 5.2000000000000004e-05,
      "loss": 0.1664,
      "step": 3700
    },
    {
      "epoch": 0.0625,
      "grad_norm": 110.0,
      "learning_rate": 5e-05,
      "loss": 0.0751,
      "step": 3750
    },
    {
      "epoch": 0.06333333333333334,
      "grad_norm": 0.046142578125,
      "learning_rate": 4.8e-05,
      "loss": 0.1305,
      "step": 3800
    },
    {
      "epoch": 0.06416666666666666,
      "grad_norm": 27.875,
      "learning_rate": 4.600000000000001e-05,
      "loss": 0.1547,
      "step": 3850
    },
    {
      "epoch": 0.065,
      "grad_norm": 0.10009765625,
      "learning_rate": 4.4000000000000006e-05,
      "loss": 0.1232,
      "step": 3900
    },
    {
      "epoch": 0.06583333333333333,
      "grad_norm": 0.09033203125,
      "learning_rate": 4.2e-05,
      "loss": 0.3464,
      "step": 3950
    },
    {
      "epoch": 0.06666666666666667,
      "grad_norm": 0.041259765625,
      "learning_rate": 4e-05,
      "loss": 0.1457,
      "step": 4000
    },
    {
      "epoch": 0.0675,
      "grad_norm": 0.0927734375,
      "learning_rate": 3.8e-05,
      "loss": 0.0224,
      "step": 4050
    },
    {
      "epoch": 0.06833333333333333,
      "grad_norm": 2.453125,
      "learning_rate": 3.6e-05,
      "loss": 0.1412,
      "step": 4100
    },
    {
      "epoch": 0.06916666666666667,
      "grad_norm": 13.4375,
      "learning_rate": 3.4000000000000007e-05,
      "loss": 0.2739,
      "step": 4150
    },
    {
      "epoch": 0.07,
      "grad_norm": 0.322265625,
      "learning_rate": 3.2000000000000005e-05,
      "loss": 0.1928,
      "step": 4200
    },
    {
      "epoch": 0.07083333333333333,
      "grad_norm": 0.1171875,
      "learning_rate": 3e-05,
      "loss": 0.0876,
      "step": 4250
    },
    {
      "epoch": 0.07166666666666667,
      "grad_norm": 0.02685546875,
      "learning_rate": 2.8000000000000003e-05,
      "loss": 0.1105,
      "step": 4300
    },
    {
      "epoch": 0.0725,
      "grad_norm": 0.0242919921875,
      "learning_rate": 2.6000000000000002e-05,
      "loss": 0.2102,
      "step": 4350
    },
    {
      "epoch": 0.07333333333333333,
      "grad_norm": 0.1064453125,
      "learning_rate": 2.4e-05,
      "loss": 0.0877,
      "step": 4400
    },
    {
      "epoch": 0.07416666666666667,
      "grad_norm": 0.07373046875,
      "learning_rate": 2.2000000000000003e-05,
      "loss": 0.15,
      "step": 4450
    },
    {
      "epoch": 0.075,
      "grad_norm": 0.055419921875,
      "learning_rate": 2e-05,
      "loss": 0.1135,
      "step": 4500
    },
    {
      "epoch": 0.07583333333333334,
      "grad_norm": 0.1279296875,
      "learning_rate": 1.8e-05,
      "loss": 0.1984,
      "step": 4550
    },
    {
      "epoch": 0.07666666666666666,
      "grad_norm": 0.0888671875,
      "learning_rate": 1.6000000000000003e-05,
      "loss": 0.0976,
      "step": 4600
    },
    {
      "epoch": 0.0775,
      "grad_norm": 126.0,
      "learning_rate": 1.4000000000000001e-05,
      "loss": 0.1808,
      "step": 4650
    },
    {
      "epoch": 0.07833333333333334,
      "grad_norm": 0.0322265625,
      "learning_rate": 1.2e-05,
      "loss": 0.0858,
      "step": 4700
    },
    {
      "epoch": 0.07916666666666666,
      "grad_norm": 0.021484375,
      "learning_rate": 1e-05,
      "loss": 0.0498,
      "step": 4750
    },
    {
      "epoch": 0.08,
      "grad_norm": 23.0,
      "learning_rate": 8.000000000000001e-06,
      "loss": 0.1317,
      "step": 4800
    },
    {
      "epoch": 0.08083333333333333,
      "grad_norm": 0.1728515625,
      "learning_rate": 6e-06,
      "loss": 0.0855,
      "step": 4850
    },
    {
      "epoch": 0.08166666666666667,
      "grad_norm": 0.08544921875,
      "learning_rate": 4.000000000000001e-06,
      "loss": 0.2088,
      "step": 4900
    },
    {
      "epoch": 0.0825,
      "grad_norm": 0.0693359375,
      "learning_rate": 2.0000000000000003e-06,
      "loss": 0.1778,
      "step": 4950
    },
    {
      "epoch": 0.08333333333333333,
      "grad_norm": 0.0419921875,
      "learning_rate": 0.0,
      "loss": 0.1893,
      "step": 5000
    }
  ],
  "logging_steps": 50,
  "max_steps": 5000,
  "num_input_tokens_seen": 0,
  "num_train_epochs": 1,
  "save_steps": 1000,
  "stateful_callbacks": {
    "TrainerControl": {
      "args": {
        "should_epoch_stop": false,
        "should_evaluate": false,
        "should_log": false,
        "should_save": true,
        "should_training_stop": true
      },
      "attributes": {}
    }
  },
  "total_flos": 2.635563190247424e+16,
  "train_batch_size": 1,
  "trial_name": null,
  "trial_params": null
}